After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Koncept för övervakning av maskininlärning
Maskininlärningsmodeller påverkar allt fler beslut i den verkliga världen. Dessa modeller behöver övervakning för att förhindra fel och säkerställa att de ger affärsvärde till ditt företag. Den här kursen introducerar dig till de grundläggande koncepten för att skapa ett robust övervakningssystem för dina modeller i produktion.Upptäck det perfekta arbetsflödet för övervakning
Kursen börjar med en plan för var du ska börja övervaka i produktion och hur du ska strukturera processerna kring det. Vi går igenom det grundläggande arbetsflödet genom att visa hur du upptäcker problemen, identifierar grundorsakerna och löser dem med verkliga exempel.Utforska utmaningarna med att övervaka modeller i produktion
Att driftsätta en modell i produktion är bara början på modellens livscykel. Även om den presterar bra under utvecklingen kan den misslyckas på grund av ständigt föränderliga produktionsdata. I den här kursen kommer du att utforska svårigheterna med att övervaka en modells prestanda, särskilt när det inte finns någon sanningskälla.Förstå i detalj kovariatförskjutning och konceptdrift
Den sista delen av den här kursen kommer att fokusera på två typer av tyst modellfel. Du kommer att förstå i detalj de olika typerna av kovariatförskjutningar och konceptdrift, deras påverkan på modellens prestanda, samt hur du kan upptäcka och förebygga dem.Förkunskapskrav
Kursplan
Kursöversikt
1
Vad är ML-övervakning?
Det första kapitlet förklarar varför företag behöver övervaka sina maskininlärningsmodeller i produktion. Du lär dig om det ideala övervakningsflödet och de steg som ingår, samt några av de utmaningar som övervakningssystem kan stöta på i produktion.
- Varför du behöver övervaka din modell50 XP
- Varför misslyckas modeller?50 XP
- Fördelarna med övervakningssystem50 XP
- Det ideala övervakningsflödet50 XP
- Varför det är viktigt att övervaka KPI:er50 XP
- Idealt övervakningsarbetsflöde100 XP
- Övervakningsarbetsflöde i ett verkligt scenario100 XP
- Utmaningar med att övervaka maskininlärningsmodeller50 XP
- Fördröjd grundsanning100 XP
- Kovariatskift vs konceptdrift100 XP
2
Teoretiska koncept inom övervakning
I kapitel 2 får du lära dig hur central prestandaövervakning är för ett tillförlitligt övervakningssystem. Vi utforskar vanliga utmaningar i verkliga produktionsmiljöer, till exempel tillgången till facit. I slutet av kapitlet vet du hur du hanterar situationer där facitdata är fördröjd eller saknas, med hjälp av algoritmer för prestandauppskattning.
3
Kovariansförskjutning och konceptdrift – identifiering
Nu när du känner till grunderna om kovariansförskjutning och konceptdrift i produktion är det dags att gå lite djupare. I slutet av det här kapitlet känner du till olika sätt att identifiera och hantera dem i verkliga scenarier.
Övervakning av maskininlärningskoncept
Kurs
slutförd
